基于小波包和IGA-BP神经网络的滚动轴承故障识别方法

为识别数控机床运行过程中滚动轴承的运行状态,提高滚动轴承的故障状态诊断正确率,提出了一种基于小波包分解的改进遗传算法优化BP神经网络的滚动轴承故障识别方法。以滚动轴承的4种故障状态为研究对象,通过小波包分解振动信号,得到敏感特征向量;针对BP神经网络的缺点,运用改进遗传算法优化BP神经网络的阈值和权值,实现最优训练,建立更精确的滚动轴承IGA-BP状态预测模型。结果表明:IGA-BP预测模型收敛速度更快,预测准确率更高,证明了所提方法的有效性。     

薄板连铸GA-LM-BP漏钢预报模型研究

针对传统BP神经网络在训练过程中存在收敛速度慢、易陷入局部最优解的缺陷,将遗传算法全局寻优能力与LM算法的局部寻优能力引入到BP神经网络训练过程,建立了GA-LM-BP神经网络漏钢预报模型;结合某钢厂连铸现场历史数据,对该预报模型进行了训练和测试。结果表明,GA-LM-BP漏钢预报的收敛速度较传统BP神经网络明显加快,其泛化能力和对漏钢温度特征的识别精度也有了较大提高。     

滚动轴承故障信号处理方法与诊断试验研究

分析了滚动轴承故障振动信号的非线性、非平稳性特征,基于经验模态分解法（EMD）在处理此类信号中的优势,研究了滚动轴承故障信号的时频分析处理方法。通过EMD法将滚动轴承故障原始振动信号分解为多个平稳的IMF分量之和;选取前8个IMF能量值作为频域特征并结合时域特征构成故障振动信号特征集合,作为BP神经网络的输入;建立了滚动轴承故障诊断的BP神经网络模型,利用BP网络的自学习机制进行网络训练,得到了输入特征与故障模式之间的映射关系;通过对滚动轴承不同类别的故障诊断试验,验证了该方法的可行性。     

基于BP神经网络和D-S证据理论的滚动轴承故障诊断方法研究

针对单一传感器对滚动轴承故障信息的识别具有不确定性的缺陷,提出了基于BP神经网络与D?S证据理论的多传感器信息融合的方法。将BP神经网络的输出结果进行归一化处理作为各焦元的基本概率分配,轴承的5种故障类型作为系统的识别框架,根据Dempster合成法则进行决策级融合。试验结果表明,利用该方法对轴承的内圈磨损、外圈磨损、滚珠磨损等故障进行试验诊断,提高了故障诊断的准确率,验证了该方法的可行性。     

LM算法BP神经网络的数控机床主轴系统故障诊断

针对目前数控机床故障复杂、诊断困难的问题,提出基于人工神经网络的故障诊断方法。在研究传统BP神经网络故障诊断模型基础上,引入改进的BP算法-LM算法,建立机床主轴系统LM-BP神经网络故障诊断模型,对机床主轴系统故障进行分析与诊断,再通过Matlab仿真与传统BP神经网络相对比,仿真结果表明:传统BP神经网络存在较难实现快速、准确的故障定位问题,而BP神经网络LM算法作为故障诊断的核心算法收敛速度快、识别准确。该方案设计合理可行,有较好的应用前景,并给出应用了实例。     

改进遗传BP网络在涡流检测中的应用

针对传统的BP算法存在收敛性能差,易陷入局部最小的缺点,在涡流无损检测的缺陷快速识别中,提出采用遗传算法(GA)作为神经网络的学习算法。为避免网络的过早收敛,对传统的遗传BP网络进行了改进,应用自适应算法选择遗传算子值。结果表明,与BP神经网络相比,改进GA神经网络的收敛性能和推广能力都有了显著提高。     

基于深度神经网络的滚动轴承故障诊断

针对浅层神经网络方法依靠专家经验和信号处理技术进行人工提取大量滚动轴承数据的特征变得越来越困难,而且神经网络浅层结构限制了神经网络学习复杂非线性关系的功能。结合深度学习在特征提取和处理大数据等优势,研究一种基于深度神经网络的滚动轴承故障诊断方法。该方法直接从原始数据中提取出有用特征,所提取的特征作为BP神经网络(BPNN)的输入识别滚动轴承的故障类别。通过对滚动轴承正常状态,内圈故障,外圈故障和滚珠故障四种状态以及各个状态的不同故障严重程度的分析,实验结果表明所研究的的方法不仅仅能够从原始信号中挖掘出有用的故障特征,还可以诊断出故障的严重程度,和BPNN相比具有更高的诊断准确率。     

遗传优化LVQ神经网络在设备故障诊断系统中的应用

为了提高设备故障诊断的准确度,采用LVQ神经网络来完成设备故障定位及识别,并借助遗传算法求解LVQ神经网络权重初始值。在设备故障诊断的建模过程中,根据实际故障情况和故障常见类别建立LVQ神经网络的设备故障诊断模型,充分挖掘LVQ神经网络在机械设备故障诊断细粒度的优势,为了防止因为故障细粒度诊断而造成收敛过慢的情况,对LVQ神经网络的权重和阈值初值进行遗传算法求解,然后在进行LVQ神经网络的迭代训练,得到稳定的LVQ神经网络故障诊断模型。经过实验证明,相比于传统的LVQ神经网络算法,采用基于遗传算法优化LVQ神经网络的设备故障分类,分类准确度更高,训练时间更快。     

基于IBAS-Elman网络的滚动轴承故障诊断研究

为了提高民航发动机滚动轴承故障诊断正确率,提出基于改进天牛须搜索算法优化Elman神经网络的诊断模型。针对天牛须搜索算法易早熟等缺陷,对天牛质心位置和步长更新操作进行改进,并用改进算法优化Elman网络的学习率、权重和阈值。使用IBAS-Elman模型对滚动轴承故障和正常状态进行诊断,并分析Elman网络延迟向量比例因子对滚动轴承故障诊断率的影响。为了验证IBAS-Elman模型的有效性,将天牛须搜索算法、萤火虫算法和遗传算法作为对比算法。实验结果表明：改进天牛须搜索算法收敛精度优于对比算法。     

基于VMD瞬时能量与GA- RBF的滚动轴承故障诊断

针对滚动轴承早期故障的有效识别,提出了一种基于VMD瞬时能量与GA优化的RBF神经网络的滚动轴承故障诊断方法,可以有效对滚动故障做出诊断。首先,VMD将滚动轴承振动信号进行分解成合适数目的本证模态函数;其次,计算本证模态函数分量的瞬时能量并组成特征向量;最后,将特征向量输入到GA优化的RBF神经网络实现轴承故障识别。通过滚动轴承故障诊断实验对该方法进行验证。结果表明,该方法识别滚动轴承故障的准确率为96.43%,较默认参数的RBF神经网络和EEMD瞬时能量与GA-RBF神经网络有明显的提高,证明了所提方法的可行性。     

基于小波包能量和层次熵的D-S证据理论的轴承故障诊断技术

针对齿轮箱轴承故障识别率低、故障信号不平稳的问题,提出层次熵与小波包能量多源数据融合轴承故障诊断方法。采用小波包对轴承正常、内圈、外圈、滚动体故障等4种振动信号进行三层小波包分解并重构,计算各频段样本熵（即层次熵）和小波包能量作为故障特征向量集;应用归一化方法对2种特征向量处理后分别建立BP神经网络模型实现轴承不同故障模式的诊断;最后应用D-S证据理论,通过小波包能量和层次熵以及两者融合信息的故障诊断结果比较,表明基于神经网络和D-S证据理论相结合方法用于复杂机械的故障诊断是可行和有效的。     

基于FastICA的遗传径向基神经网络轴承故障诊断研究

针对电机轴承故障诊断效率低和诊断结果准确率不高的问题,提出一种基于FastICA的遗传径向基神经网络的优化算法。利用独立分量分析算法,将信号分离成多个独立的信号源;根据独立信号源构建独立特征向量;将分离所得的独立信号源作为样本,输入到遗传算法优化后的径向基神经网络中进行故障识别,并与其他分类算法比较。实验结果表明,对于电机轴承多信号的故障诊断,该算法具有更好的故障诊断能力。     

改进PSO-BP网络在故障诊断中的应用

针对油田抽油机井故障诊断方法较落后的问题,提出一种基于改进PSO-BP网络的故障诊断系统.神经网络权值的训练采用改进的PSO算法,克服了BP学习算法收敛速度慢、易陷入局部极值的缺点.将该网络用于抽油机井的故障诊断,并与传统BP模型的故障诊断结果进行比较.结果表明:基于改进PSO-BP的故障诊断方法正确率达96%以上,可以在更短的时间内、用更少的迭代次数达到精度要求,为设备检修提供了可靠的依据.     

堆叠稀疏自编码深度神经网络算法及其在滚动轴承故障诊断中的应用

针对目前机械设备故障数据量大、多样性且主要采用监督式学习提取故障特征的现状,提出一种堆叠稀疏自编码深度神经网络,实现无监督学习提取振动信号内在特征,并用于滚动轴承故障诊断。将频谱包络线作为低层输入逐层训练网络,获取故障特征表达,输入Softmax分类器实现故障分类;通过优化算法对整个深度神经网络进行微调,提高分类精度。滚动轴承故障诊断实验结果表明：所提出的深度神经网络能更准确地实现故障诊断,且在保证准确率的同时将频谱包络线作为低层输入,能够提高计算效率     

基于改进邻域粗糙集与S_Kohonen神经网络的滚动轴承故障诊断研究

针对现有滚动轴承故障诊断技术中,存在输入属性冗余过多、故障识别率不高等缺点,提出了基于改进邻域粗糙集与S_Kohonen神经网络的故障诊断方法。由于传感器采集的故障信息大多为数值型数据且数据维数较大,文中引入邻域粗糙集理论并对基于邻域粗糙集的经典前向贪心算法进行改进,利用改进算法约简故障数据,大大减小了算法复杂度;对Kohonen神经网络进行改进,在其原有结构基础上添加输出层构成S_Kohonen神经网络,使其输出类别满足给定分类要求;分别采用前向贪心算法、改进算法约简故障数据,将约简前、后的故障数据分别输入S_Kohonen神经网络、BP神经网络识别滚动轴承故障状态,试验结果证明邻域粗糙集可有效消除属性之间的重复信息,改进算法提取故障属性信息更能反映故障状态的本质,S_Kohonen神经网络具有良好的故障识别能力,两者配合使用,改进邻域粗糙集——S_Kohonen神经网络模型具有很好的故障诊断能力。     

基于AGA-BP算法的智能故障诊断技术研究

针对传统BP神经网络的不足,提出基于自适应遗传算法的BP神经网络故障诊断算法.在迭代计算前期,采用自适应遗传算法对神经网络的权值和阈值进行全局优化;在迭代计算后期,利用改进的BP算法在近似最优解附近进行局部寻优.将该算法用于磨削烧伤的故障诊断之中,并将结果与基于改进BP网络的诊断结果进行比较,证明该方法的正确性和有效性.     

基于免疫神经网络的数控机床故障诊断研究

针对BP神经网络在数控机床故障预测中出现的收敛速度慢和训练容易陷入局部极值问题,提出一种基于人工免疫算法优化BP神经网络(IMBP)的数据机床故障诊断算法。介绍了常见的数控机床故障类型和分类,阐述了人工免疫算法和BP神经网络以及人工免疫优化BP神经网络算法的工作流程。利用免疫算法的全局搜索性能先对神经网络权值和阈值进行全局优化,加快了BP算法训练过程的收敛速度,减少训练过程所需要的时间。通过仿真性能测试分析,结果表明:与BP、GABP和IMBP 3种算法对比,比BP神经网络算法的数控机床故障预测诊断提高了18.3%,比GABP神经网络算法提高了12.05%,提高了数控机床故障诊断精度。     

基于SPWVD-CNN的滚动轴承故障诊断

针对传统的滚动轴承故障诊断方法难以提取轴承振动数据有效特征的缺陷,提出一种基于平滑伪Wigner-Vill分布(smooth and pseudo Wigner-Ville distribution,SPWVD)和卷积神经网络(convolutional neural network,CNN)的网络模型SPWVD-CNN。对振动数据进行平滑伪Wigner-Vill分布变换,将获得的时频图进行压缩,作为CNN的输入,利用迁移学习的思想进行网络训练,使得模型对于不同负载的数据具有良好的诊断性能,提高了网络的泛化能力。实验结果表明:SPWVD-CNN对轴承故障数据的平均分类准确率提升至99.27%,总体性能优于使用单一的CNN和其他传统的故障诊断方法。